如何讓神經網路不只是算出答案，而是能穩定地往目標狀態前進？
可以先想像一顆球被放在山坡上。如果地形設計得好，球最後會自然滾進山谷。Hopfield 神經網路的概念就有點像這樣：系統會隨著時間演化，最後收斂到某個穩定狀態。這個穩定狀態，可以被理解成網路記住的答案或目標。
不過，真實世界中的許多問題並不是單純的數字分類。例如機器手臂的姿態、無人機的方向、3D 空間中的旋轉，都需要描述「方向」與「轉動」。這時候就需要用到 四元數 Quaternion。四元數可以看成是比複數更高維的數學工具。它特別適合描述三維空間中的旋轉，因此常被用在機器人、航太、3D 動畫與遊戲引擎中。
這篇論文的主要想法，是把兩件事結合起來：Hopfield 網路的穩定收斂能力加上四元數描述三維旋轉的能力，因此，神經網路中的狀態不再只是普通的實數，而是用四元數來表示。這讓模型更適合處理與空間方向、姿態變化和旋轉有關的問題。論文中另一個重要概念是：Asymptotically Stable，漸近穩定。漸近穩定的意思是，即使系統一開始和目標狀態有一點誤差，它也不會發散或亂跳，而是會隨著時間慢慢回到目標狀態。這對實際應用很重要。因為真實世界中的系統通常會受到各種干擾：感測器可能有雜訊，馬達可能有延遲，環境也可能產生不可預期的變化。
如果一個神經網路只是在靜態資料上表現很好，但在動態演化時不穩定，就很難直接應用在需要安全與可靠性的場景。因此，這篇論文關注的不只是模型能不能學習，而是模型在學習之後，是否仍然能保有穩定的動態行為。這樣的模型可能適合應用在機器人控制、姿態調整、三維路徑規劃，以及其他需要處理旋轉與穩定動態的任務中。
聲明：本文使用生成式AI輔助編輯
撰文：潘嘉丞
參考文獻：Wang, T., Ma, X., & Pang, W. (2026). "Asymptotically Stable Quaternion-valued Hopfield-structured Neural Network with Periodic Projection-based Supervised Learning Rules". Advances in Neural Information Processing Systems, 38, 87040-87063.
留言
張貼留言